Standard

Методы двумерной проекции цифровых изображений в собственные подпространства: особенности реализации и применение. / Кухарев, Георгий А.; Щеголева, Надежда Львовна.

в: КОМПЬЮТЕРНАЯ ОПТИКА, Том 42, № 4, 01.07.2018, стр. 637-656.

Результаты исследований: Научные публикации в периодических изданиях › статья › Рецензирование

Harvard

Кухарев, ГА & Щеголева, НЛ 2018, 'Методы двумерной проекции цифровых изображений в собственные подпространства: особенности реализации и применение', КОМПЬЮТЕРНАЯ ОПТИКА, Том. 42, № 4, стр. 637-656. https://doi.org/10.18287/2412-6159-2018-42-4-637-656

APA

Кухарев, Г. А., & Щеголева, Н. Л. (2018). Методы двумерной проекции цифровых изображений в собственные подпространства: особенности реализации и применение. КОМПЬЮТЕРНАЯ ОПТИКА, 42(4), 637-656. https://doi.org/10.18287/2412-6159-2018-42-4-637-656

Vancouver

Кухарев ГА, Щеголева НЛ. Методы двумерной проекции цифровых изображений в собственные подпространства: особенности реализации и применение. КОМПЬЮТЕРНАЯ ОПТИКА. 2018 Июль 1;42(4):637-656. https://doi.org/10.18287/2412-6159-2018-42-4-637-656

Author

Кухарев, Георгий А. ; Щеголева, Надежда Львовна. / Методы двумерной проекции цифровых изображений в собственные подпространства: особенности реализации и применение. в: КОМПЬЮТЕРНАЯ ОПТИКА. 2018 ; Том 42, № 4. стр. 637-656.

BibTeX

@article{7da24857531849a7b057353e8caa8709,
title = "Методы двумерной проекции цифровых изображений в собственные подпространства: особенности реализации и применение",
abstract = "Представлены алгоритмы двумерного анализа главных компонент (Two-dimensional Principal Component Analysis – 2D PCA), ориентированные на обработку цифровых изображений больших размеров в условиях малой выборки. Алгоритмы основаны на прямом вычислении двух матриц ковариации по всем исходным изображениям без их преобразования в векторы. Результат анализа – нахождение главных компонент для строк и столбцов исходных изображений и построение соответствующих им матриц двумерной проекции. Обсуждаются два способа выполнения 2D PCA, соответствующие параллельной и каскадной формам его реализации. Оценены характеристики представленных алгоритмов.",
keywords = "анализ главных компонент, распознавание изображений лиц",
author = "Кухарев, {Георгий А.} and Щеголева, {Надежда Львовна}",
year = "2018",
month = jul,
day = "1",
doi = "10.18287/2412-6159-2018-42-4-637-656",
language = "русский",
volume = "42",
pages = "637--656",
journal = "КОМПЬЮТЕРНАЯ ОПТИКА",
issn = "0134-2452",
publisher = "Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS",
number = "4",

}

RIS

TY - JOUR

T1 - Методы двумерной проекции цифровых изображений в собственные подпространства: особенности реализации и применение

AU - Кухарев, Георгий А.

AU - Щеголева, Надежда Львовна

PY - 2018/7/1

Y1 - 2018/7/1

N2 - Представлены алгоритмы двумерного анализа главных компонент (Two-dimensional Principal Component Analysis – 2D PCA), ориентированные на обработку цифровых изображений больших размеров в условиях малой выборки. Алгоритмы основаны на прямом вычислении двух матриц ковариации по всем исходным изображениям без их преобразования в векторы. Результат анализа – нахождение главных компонент для строк и столбцов исходных изображений и построение соответствующих им матриц двумерной проекции. Обсуждаются два способа выполнения 2D PCA, соответствующие параллельной и каскадной формам его реализации. Оценены характеристики представленных алгоритмов.

AB - Представлены алгоритмы двумерного анализа главных компонент (Two-dimensional Principal Component Analysis – 2D PCA), ориентированные на обработку цифровых изображений больших размеров в условиях малой выборки. Алгоритмы основаны на прямом вычислении двух матриц ковариации по всем исходным изображениям без их преобразования в векторы. Результат анализа – нахождение главных компонент для строк и столбцов исходных изображений и построение соответствующих им матриц двумерной проекции. Обсуждаются два способа выполнения 2D PCA, соответствующие параллельной и каскадной формам его реализации. Оценены характеристики представленных алгоритмов.

KW - анализ главных компонент, распознавание изображений лиц

UR - http://www.scopus.com/inward/record.url?scp=85056159344&partnerID=8YFLogxK

UR - https://elibrary.ru/item.asp?id=36295614

U2 - 10.18287/2412-6159-2018-42-4-637-656

DO - 10.18287/2412-6159-2018-42-4-637-656

M3 - статья

AN - SCOPUS:85056159344

VL - 42

SP - 637

EP - 656

JO - КОМПЬЮТЕРНАЯ ОПТИКА

JF - КОМПЬЮТЕРНАЯ ОПТИКА

SN - 0134-2452

IS - 4

ER -

ID: 49224507